一种基于AdaBoost算法的人脸检测方法技术

公开了一种具有更高实时性能、检测更多路监控视频图像中人脸的基于AdaBoost算法的人脸检测方法，包括步骤：(1)将待测图像利用缩放算法生成金字塔图像集合；(2)在图像集合中以预定大小步进地利用AdaBoost人脸检测器搜索人脸，人脸检测器包含Harr特征计算及瀑布式级联分类器，级联分类器包括强分类器及简单分类器；(3)标定人脸位置；步骤(2)包括分步骤：(2.1)设置分类器人脸判定快速跳转控制和分类器非人脸判定快速退出控制；(2.2)将强分类器的分类计算合并到简单分类器中，构建成新瀑布式级联分类器；(2.3)通过新瀑布式级联分类器进行人脸和非人脸的检测。

【技术实现步骤摘要】

本专利技术属于模式识别
，具体涉及到。
技术介绍
人脸检测技术是模式识别和计算机视觉等领域的研究热点，其应用前景广泛。在人脸检测研究过程中，Paul Viola提出的AdaBoost算法具有重要的代表性，已在许多人脸检测实时系统中得到应用，使得人脸检测技术走向实用。与以往的人脸检测算法相比，AdaBoost算法具有较高检测精度及快速性，但从其算法原理而言，存在较多的冗余计算，具备进一步提升实时性能的潜质，并可适应由于监控图像画面的不断扩大，监控更多路视频画面人脸检测的需求。
技术实现思路
本专利技术的技术解决问题是克服现有技术的不足，提供一种具有更高实时性能、检测更多路监控视频图像中人脸的基于AdaBoost算法的人脸检测方法。本专利技术的技术解决方案是这种基于AdaBoost算法的人脸检测方法，包括以下步骤(1)将待测图像利用缩放算法生成金字塔图像集合；( 在金字塔图像集合中以预定大小步进地利用AdaBoost人脸检测器搜索人脸，以便判定该检测区域内是否存在人脸， AdaBoost人脸检测器包含Harr特征计算及瀑布式级联分类器，瀑布式级联分类器包括强分类器及简单分类器；C3)标定人脸位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检人脸位置及大小；其特征在于，所述步骤( 包括以下分步骤(2. 1)设置分类器人脸判定快速跳转控制和分类器非人脸判定快速退出控制；(2.2)将强分类器的分类计算合并到简单分类器中，构建成新瀑布式级联分类器；(2. 3)通过新瀑布式级联分类器进行人脸和非人脸的检测当判定该检测区域为人脸时，跳转进入下一级强分类器进行进一步判别，直至所有强分类器完成判断，如均判为人脸，则最终判断为人脸；当判定该检测区域为非人脸时，则退出瀑布式级联分类器，并给出“非人脸”的判定结果，转入下一检测区域进行检测。分类器人脸判定快速跳转控制加快了强分类器间的跳转，减少分类器内部计算过程的特征性冗余计算；分类器非人脸判定快速退出控制，加快了非人脸判断退出，以减少分类器内部计算过程的特征性冗余计算。同时，在以上两种控制的基础上，构建了新瀑布式级联分类器，同步实现人脸及非人脸的判定，并根据人脸及非人脸的判断，减少级联分类器的冗余计算，同时，减少遍历性冗余计算，从而提高级联分类器整体实时检测性能，并可以检测更多路监控视频图像中人脸。附图说明图1示出了用缩放算法得到的金字塔图像集合；图2示出了基于AdaBoost算法的人脸检测方法的流程图；图3a-3e示出了 5禾中Harr特征；图4示出了强分类器判别真假的过程；图5示出了基于AdaBoost算法的瀑布式级联分类器；图6示出了根据本专利技术的基于AdaBoost算法的新瀑布式级联分类器。具体实施例方式本专利技术是在AdaBoost人脸检测原型算法的基础上提出的，在保持原型人脸检测算法的检测准确度的前提下，针对算法中瀑布式级联分类器部分，提出一种具有更高实时性能的人脸检测分类器实现方法。AdaBoost人脸检测原型算法包含金字塔图像生成、积分图像计算、Harr特征提取及瀑布式级联分类器几个重要计算过程。金字塔图像的生成和积分图像计算较为简单，计算量相对较少；Harr特征计算及瀑布式级联分类器将按24* 大小在金字塔图像集合中进行遍历，据统计，约占总计算量的80%以上。金字塔图像是对原始图像以一定尺度进行缩小组成待检测图像集合。金字塔图像保证了人脸训练模板对图像中待检人脸的在尺度特性上遍历性。在金字塔图像集合中，以一定的步进规则，AdaBoost人脸检测算法在24拉4范围上进行人脸检测，并实现空间位置上遍历性。如本专利技术申请人设计的检测系统采用的输入图像为352*观8，考虑数据对齐，尺度缩小因子约为0. 8，则金字塔图像由13级图像组成，图像大小分别为352M88、288*232, 232*192、184*152、152*120、120*96、96*80、80*64、64*56、56*40、40*32、32拉4，各级图像对应搜索步进分别为3、2、2、2、2、2、1、1、1、1、1、1、1，步进单位为像素，搜索步进方式呈“Z” 字形搜索，先水平遍历，再垂直遍历。即将在75232个对拉4的图像块上进行人脸检测。通常，人脸信息损失较大的情况下，在352*288的图像上，最多可摆放180张24* 大小人脸， 即存在99. 7%的冗余计算，此为遍历造成冗余计算，即遍历性冗余计算。 在AdaBoost算法原理中，按24拉4完成人脸模型库，选取人脸的不同Harr特征完成简单分类器和强分类器的学习训练。以若干简单分类器组成强分类器，以若干强分类器级联组成瀑布式级联分类器。分类计算过程，以强分类器综合简单分类器分类结果，做出进一步分类检测还是“非人脸”退出的判断。由于分类器的训练完备性和普遍适应性，对于以 “个体”出现的待检人脸，需以个体特征在完备的特征集中进行逐一搜索，因此，在分类器内部计算过程也存在较多的冗余计算，此为特征性冗余计算。 本专利技术的基于AdaBoost算法的人脸检测方法，包括以下步骤(1)将待测图像利用缩放算法生成金字塔图像集合；( 在金字塔图像集合中以预定大小步进地利用 AdaBoost人脸检测器搜索人脸，以便判定该检测区域内是否存在人脸，AdaBoost人脸检测器包含Harr特征计算及瀑布式级联分类器，瀑布式级联分类器包括强分类器及简单分类器；C3)标定人脸位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检人脸位置及大小；其中所述步骤⑵包括以下分步骤(2. 1)设置分类器人脸判定快速跳转控制和分类器非人脸判定快速退出控制；(2.2)将强分类器的分类计算合并到简单分类器中，构建成新瀑布式级联分类器；(2. 3)通过新瀑布式级联分类器进行人脸和非人脸的检测当判定该检测区域为人脸时，跳转进入下一级强分类器进行进一步判别，直至所有强分类器完成判断，如均判为人脸，则最终判断为人脸；当判定该检测区域为非人脸时，则退出瀑布式级联分类器，并给出“非人脸”的判定结果，转入下一检测区域进行检测。分类器人脸判定快速跳转控制加快了强分类器间的跳转，减少分类器内部计算过程的特征性冗余计算；分类器非人脸判定快速退出控制，加快了非人脸判断退出，以减少分类器内部计算过程的特征性冗余计算。同时，在以上两种控制的基础上，构建了新瀑布式级联分类器，同步实现人脸及非人脸的判定，并根据人脸及非人脸的判断，减少级联分类器的冗余计算，同时，减少遍历性冗余计算，从而提高级联分类器整体实时检测性能，并可以检测更多路监控视频图像中人脸。优选地，步骤(2. 1)中的分类器人脸判定快速跳转控制为T设α t_T为当前强分类器中所属简单分类器α 和，即A—Τ = =1 ,设α t_F(w)为当前强分类器中弱分类器判为人脸的α t之和，设J(w)为强分类器跳转标志，J(w) = 1时，表示当前强分类器已判定为人脸，可跳转至下一强分类器进行进一步判定；强分类器中a_th为当前强分类器人脸判定阈值，如强分类器分类计算结果达到该阈值，则立即进行跳转；依据步骤(2. 1)中的分类器人脸判定快速跳转控制，强分类器的分类计算合并到简单分类器为w = \, wg{ 1,2,3,Λ , T } while (J (w本文档来自技高网...

【技术保护点】
１．一种基于ＡｄａＢｏｏｓｔ算法的人脸检测方法，包括以下步骤：（１）将待测图像利用缩放算法生成金字塔图像集合；（２）在金字塔图像集合中以预定大小步进地利用ＡｄａＢｏｏｓｔ人脸检测器搜索人脸，以便判定该检测区域内是否存在人脸，ＡｄａＢｏｏｓｔ人脸检测器包含Ｈａｒｒ特征计算及瀑布式级联分类器，瀑布式级联分类器包括强分类器及简单分类器；（３）标定人脸位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检人脸位置及大小；其特征在于，所述步骤（２）包括以下分步骤：（２．１）设置分类器人脸判定快速跳转控制和分类器非人脸判定快速退出控制；（２．２）将强分类器的分类计算合并到简单分类器中，构建成新瀑布式级联分类器；（２．３）通过新瀑布式级联分类器进行人脸和非人脸的检测：当判定该检测区域为人脸时，跳转进入下一级强分类器进行进一步判别，直至所有强分类器完成判断，如均判为人脸，则最终判断为人脸；当判定该检测区域为非人脸时，则退出瀑布式级联分类器，并给出非人脸的判定结果，转入下一检测区域进行检测。

【技术特征摘要】

【专利技术属性】
技术研发人员：丘江，郜向阳，
申请(专利权)人：北京汉邦高科数字技术有限公司，
类型：发明
国别省市：11